Supply Chain Digital Twin

Supply Chain Digital Twin MCP Server

ApifyForgeで表示 | Apify Storeで使用

---

クイックスタート

MCP クライアント（Claude Desktop、Cursor、Windsurf）に追加します：

{
  "mcpServers": {
    "supply-chain-digital-twin-mcp": {
      "url": "https://ryanclinton--supply-chain-digital-twin-mcp.apify.actor/mcp"
    }
  }
}

---

8つの定量アルゴリズムによるサプライチェーンのデジタルツインシミュレーションです。あらゆるAI エージェントを、17の公開データソースにわたる企業、貿易、制裁、ハザード、財務のライブデータに接続できます。このMCP サーバーは、自然言語によるサプライチェーンの質問を、構造化されたリスクインテリジェンスに変換します。具体的には、連鎖故障の確率、最適な輸送ルート、敵対的妨害ゲーム、サプライヤーの生存曲線、レオンチェフ乗数、複数期間の需要予測などを提供します。

静的なデータベースではなく、実世界のデータを厳密なアルゴリズムと融合させる必要があるサプライチェーンリスクアナリスト、オペレーションズリサーチャー、AI エージェント向けに構築されています。各ツールは最大17のアクターを並列で実行し、ライブのサプライチェーンネットワークグラフを構築してから、ネットワーク科学、オペレーションズリサーチ、計量経済学の特定のアルゴリズムを適用します。

⬇️ アクセスできるデータ

データ項目	ソース	利用例
📋 世界各国の企業登録情報と所有権	OpenCorporates	Tier-1/2/3サプライヤーの特定
🏢 英国企業の登記情報と財務データ	UK Companies House	英国法人の確認と財務情報
🔗 法人識別子と親子関係の連鎖	GLEIF LEI	企業の所有権マッピング
🌐 国際間の二国間貿易フロー	UN COMTRADE	産業間IO係数の推定
📊 経済開発指標	World Bank	国レベルのマクロリスク要因
🏛️ 政府契約の落札情報と機会	SAM.gov	防衛・連邦政府サプライチェーンへのエクスポージャー
🚫 OFAC制裁対象者および資産凍結対象者リスト	OFAC	制裁対象事業体のフラグ付け
🌍 世界各国の制裁対象者、PEP、監視リストのデータ	OpenSanctions	複数法域にわたる制裁スクリーニング
🌋 地震活動と地震規模	USGS Earthquake	自然災害への近接度スコアリング
🌩️ 深刻な気象事象と気候データ	NOAA	地理的ノードのハザードエクスポージャー
🆘 世界各地の災害アラートと深刻度スコア	GDACS	複数のハザードによる混乱のトリガー
🔴 米国連邦政府の緊急事態宣言	FEMA	国内災害へのエクスポージャー
📍 ジオコーディングと緯度・経度の特定	Nominatim	ハーバーサイン距離に基づくハザードマッピング
💱 外国為替レートと通貨データ	Exchange Rate Tracker	国境を越える貿易フローの為替リスク
🔐 インターネットホストの証明書と脆弱性	Censys	サプライヤーのサイバーエクスポージャースコアリング
🌫️ 国・地域別の大気質指数	OpenAQ	環境に起因する事業リスク
🖥️ ウェブサイトの稼働時間と可用性の監視	Website Monitor	サプライヤーの事業継続性シグナル

Supply Chain Digital Twin MCP を使用する理由

サプライチェーンのリスク分析を手作業で行うには、十数か所の政府ポータルからデータを取得し、スプレッドシートを作成して、ヒューリスティックを適用する必要があります。単一のサプライヤーポートフォリオを徹底的に分析するには、アナリストチームで丸一週間かかることもあります。それでも、連鎖的な動態、ゲーム理論に基づく攻撃対象領域、複数の期間にわたる需要シグナルを見落とす可能性があります。

この MCP サーバーは、そのワークフローを置き換えます。MCP 互換の AI エージェントにクエリを入力してください。サーバーは最大 17 のライブデータソースを並列に呼び出し、レオンチェフ技術係数を用いた重み付きネットワークグラフを構築して、要求されたアルゴリズムを実行します。数週間ではなく、数秒で構造化された JSON の結果が得られます。

• スケジューリング — Apify プラットフォーム経由で任意の間隔で実行し、サプライチェーンモデルを最新の状態に保てます
• API アクセス — Python、JavaScript、または HTTP ベースの MCP クライアントからツール呼び出しを実行できます
• 17 の並列データソース — 企業、貿易、制裁、ハザード、サイバー、環境、金融に関するデータを 1 回の呼び出しで集約します
• モニタリング — 実行が失敗した場合や、異常な結果が返された場合に Slack またはメールで通知を受け取れます
• 連携 — Claude Desktop、Cursor、Windsurf、LangChain、または MCP 互換クライアントに接続できます

特徴

• Buldyrev-Parshani-Stanley 相互パーコレーション — 相互依存する2つの供給ネットワークをモデル化します。巨大連結成分に属さないノードを反復的に削除し、安定状態になるまで障害を波及させ、臨界しきい値 p_c* における一次相転移を検出します
• クロスエントロピー重要度サンプリング — モンテカルロの提案分布 q*(theta) を最適化し、壊滅的な希少事象にシミュレーションの計算量を集中させます。単純なモンテカルロよりも桁違いに優れた分散低減率を実現します
• Sinkhorn-Knopp エントロピー正則化最適輸送 — 周辺分布の制約条件のもとで、反復スケーリング u = mu/(Kv)、v = nu/(K^Tu) により min_{P} <C,P> - epsilon*H(P) を解き、輸送コストの合計として Wasserstein-2 距離を計算します
• 3階層 Stackelberg 攻撃者・防御者ゲーム — 敵対的な阻止行動を max_x min_y max_z f(x,y,z) としてモデル化します。最適性カットを用いた Benders 分解で解き、ナッシュ均衡におけるリソース配分と収束ギャップを報告します
• 競合リスク Cox 比例ハザードモデル — 5種類の原因別ハザード（財務、自然災害、制裁・規制、サイバー、品質・コンプライアンス）を扱い、累積発生率 F_k(t) = integral h_k(u)*S(u)du と Harrell の一致指数を計算します
• 代数的連結性の最大化 — デフレーションを用いたべき乗法でグラフラプラシアンの lambda_2（Fiedler 値）を計算します。Fiedler ベクトルを用い、利得 gain_ij = (v_i - v_j)^2 で辺の追加を貪欲に評価します
• ノイマン級数による Leontief 産業連関分析 — (I-A) の逆行列を L = sum_{k=0}^{K} A^k として最大15項まで計算します。前方連関（列和）、後方連関（行和）、および Ghosh の供給側乗数を算出し、両方向の連関が平均を上回る基幹産業を特定します
• ファジー回帰不連続デザイン — 地理的および時間的なしきい値において、Imbens-Kalyanaraman（2012）の最適帯域幅 h_IK = C_k * (sigma^2 / (f(c)*m''(c)^2))^{1/5} * n^{-1/5} を用いて tau_FRD = (E[Y|X>=c] - E[Y|X<c]) / (E[D|X>=c] - E[D|X<c]) を推定します
• Rao-Blackwell 化粒子フィルター — 粒子を用いて非線形のレジーム要素をサンプリングし、カルマンフィルターにより各粒子の線形状態空間（トレンド、季節性、サイクル）を解析的に周辺化します。有効サンプルサイズ ESS < N/2 の場合に体系的リサンプリングを行います
• ベルマン方程式による確率的 DP — 不確実性を定量化しながら、最適な基準在庫政策のために V(s) = min_a { c(s,a) + gamma*E[V(s')] } を解きます
• ハバーサイン距離に基づくハザード曝露 — ハザード事象から500 km以内にあるサプライヤーノードに、ハザード曝露度（1 - dist/500）を割り当てます。座標が利用できない場合は、シード値に基づく確率的割り当て（発生確率15％、重み0.3）に切り替えます
• Leontief 行列の正規化 — 和が0.9以上の行を係数0.85/rowSumでスケーリングして劣確率行列（スペクトル半径 < 1）を保証し、ノイマン級数の収束を確保します
• シード値に基づく決定論的疑似乱数 — すべての確率的要素で文字列ハッシュをシードとする線形合同法生成器を使用し、同一の入力に対して再現可能な結果を得ます
• 17のアクターを並列呼び出し — 最大スループットを実現するため、すべてのデータ取得に Promise.all を使用します。各アクター呼び出しには180秒のタイムアウトを設定し、失敗時は安全に空の配列を返します

サプライチェーンのデジタルツインシミュレーションのユースケース

サプライチェーンのストレステストとレジリエンス評価

製造企業や多角化工業企業のリスク管理担当者は、四半期ごとの取締役会レビューに先立ち、simulate_disruption_cascade を使ってサプライヤーネットワークのストレステストを実施します。企業名または業種の説明を入力すると、このツールは企業、制裁、ハザード、貿易に関する最新データを集約し、2層の相互依存ネットワークを構築して、クロスエントロピー重要度サンプリングを用いた最大5,000回のモンテカルロシミュレーションを実行し、壊滅的なカスケードが発生する確率を推定します。出力には、パーコレーションしきい値、一次相転移のフラグ、重要サプライヤーのランキングが含まれます。

物流ネットワークのコスト最適化

3PLや大手メーカーのオペレーションチームは、optimize_logistics_transportを使用して、現在の供給と需要の分布に基づき、最もコストの低い輸送ルートと調達構成を特定します。Sinkhornアルゴリズムは、エントロピー正則化最適輸送問題を解き、最適コストとしてWasserstein-2距離、容量制約のある各ノードの双対シャドープライス、そして利用率を含む最適ルート一式を返します。

重要インフラと防衛サプライチェーンの保護

政府請負業者や防衛調達チームは、model_adversarial_interdictionを使用して、敵対者が最も合理的に標的とするサプライチェーンのリンクと、防御への投資効果が最も高い箇所を特定します。3階層のStackelbergゲームは、どのエッジを阻止対象とするか、それぞれにどの程度の防護が必要か、そして品質指標となるBenders収束ギャップを示すナッシュ均衡を導き出します。

サプライヤーポートフォリオのリスク管理

調達チームやサプライチェーンファイナンスの専門家は、estimate_supplier_survivalを使用して、ポートフォリオ内のすべてのサプライヤーについて、12か月以内の倒産確率を5つの競合する倒産原因に分解して評価します。出力には、サプライヤーごとの生存曲線、倒産モード別の累積発生率、翌年に予想される倒産件数、そしてモデル適合度指標としてのHarrellの一致指数が含まれます。

経済的影響と産業間の波及分析

政策研究者や企業エコノミストは、compute_input_output_impactを使用して、あるセクターまたは国の生産ショックが、インプット・アウトプットネットワーク全体にどのように波及するかを推定します。レオンチェフ乗数は、直接需要の変化1単位あたりの総生産への影響を示します。キーストーン産業の特定では、混乱がネットワーク全体に最も大きな損害を与えるセクターを明らかにします。これは、事業継続計画とマクロ経済政策分析の両方に不可欠です。

需要予測と在庫最適化

サプライチェーンプランナーは、forecast_multi_scale_demandを使用して、複数の期間（週次、月次、四半期）にわたる不確実性を定量化した需要予測を生成し、それぞれの最適な基準在庫水準を算出します。Rao-Blackwell化粒子フィルターは、需要をトレンド、季節性、レジームの各要素に分解し、確率的DPソルバーは、保管コストと欠品コストの期待値の合計を最小化する在庫方針を求めます。

このMCP サーバーへの接続方法

このサーバーはApifyのスタンバイモードで稼働します。起動状態を維持し、HTTP経由でMCP接続を受け付けます。エンドポイントは常時利用可能です。

Claude Desktop

claude_desktop_config.jsonに追加します。

{
  "mcpServers": {
    "supply-chain-digital-twin": {
      "url": "https://supply-chain-digital-twin-mcp.apify.actor/mcp"
    }
  }
}

Cursor

CursorのMCP設定に追加します。

{
  "mcpServers": {
    "supply-chain-digital-twin": {
      "url": "https://supply-chain-digital-twin-mcp.apify.actor/mcp"
    }
  }
}

Windsurf／その他のMCPクライアント

MCPストリーム可能なHTTPトランスポートに対応しているクライアントであれば、次に接続できます。

https://supply-chain-digital-twin-mcp.apify.actor/mcp

認証ヘッダーは不要です。Apifyトークンはサーバー側で管理されます。

⬆️ MCP ツールリファレンス

ツール	アルゴリズム	呼び出されるデータソース	出力の主な内容
simulate_disruption_cascade	Buldyrev の相互パーコレーション + クロスエントロピー IS	17 のアクター	カスケードの各ステップ、パーコレーション閾値、一次転移フラグ、復旧日数、分散削減率
optimize_logistics_transport	Sinkhorn-Knopp のエントロピー正則化 OT	8 のアクター	最適ルート、Wasserstein-2 距離、シャドープライス、Sinkhorn の収束
model_adversarial_interdiction	三層 Stackelberg + Benders 分解	8 のアクター	ゲームの値、ナッシュ均衡、阻止対象、防御側の補強、Benders ギャップ
estimate_supplier_survival	競合リスク Cox PH モデル	11 のアクター	サプライヤーごとの生存確率、5 つの原因別累積発生率、12 か月間の故障予測数、一致指数
reinforce_network_resilience	代数的連結度（Fiedler 値）	7 のアクター	Lambda_2、冗長性スコア、Fiedler ベクトル、Lambda_2 の増加量を伴う最適なエッジ追加
compute_input_output_impact	Neumann 級数による Leontief I-O	6 のアクター	Leontief 逆行列、前方／後方連関、Ghosh 乗数、基幹産業、スペクトル半径
identify_causal_disruption_paths	ファジー RDD + IK 帯域幅	11 のアクター	因果経路、RDD 推定値、IK 帯域幅、因果効果の総計、交絡因子
forecast_multi_scale_demand	RBPF + 確率的 DP Bellman	7 のアクター	95% CI 付きの複数期間予測、最適な基準在庫、サービスレベル、有効粒子数

ツールのパラメーター

パラメーター	型	必須	デフォルト	適用対象
query	文字列	はい	—	8 つすべてのツール
simulations	数値	いいえ	1000	simulate_disruption_cascade のみ（最大 5000）

query パラメーターには、サプライチェーンのシナリオ、企業名、業界、商品、または地理的地域について自由形式で記述できます。サーバーは意図を抽出し、検索クエリとして各基盤データアクターに渡します。

出力例

simulate_disruption_cascade

{
  "nodesAffected": 23,
  "totalImpact": 4.87,
  "percolationThreshold": 0.312,
  "firstOrderTransition": true,
  "criticalSuppliers": [
    "Pinnacle Semiconductor GmbH",
    "Meridian Electronics Co Ltd",
    "Vantage Logistics Holdings"
  ],
  "recoveryTimeDays": 47,
  "ceProposalDistortion": 0.0234,
  "monteCarloRuns": 1000,
  "varianceReduction": 18.4,
  "cascadeSteps": [
    {
      "node": "Pinnacle Semiconductor GmbH",
      "tier": 1,
      "failureProbability": 0.78,
      "cascadeDelay": 3,
      "economicImpact": 1.24,
      "networkA": true
    },
    {
      "node": "Meridian Electronics Co Ltd",
      "tier": 2,
      "failureProbability": 0.61,
      "cascadeDelay": 8,
      "economicImpact": 0.89,
      "networkA": false
    }
  ],
  "networkSize": { "nodes": 94, "edges": 187 }
}

estimate_supplier_survival

{
  "portfolioSurvival": 0.71,
  "expectedFailures12m": 4.2,
  "concordanceIndex": 0.724,
  "competingRisks": [
    { "cause": "financial",          "cumulativeIncidence": 0.142 },
    { "cause": "natural_disaster",   "cumulativeIncidence": 0.081 },
    { "cause": "sanctions",          "cumulativeIncidence": 0.034 },
    { "cause": "cyber",              "cumulativeIncidence": 0.058 },
    { "cause": "quality_compliance", "cumulativeIncidence": 0.091 }
  ],
  "suppliers": [
    {
      "supplier": "Acme Fabrications Ltd",
      "survivalProbability": 0.84,
      "hazardRate": 0.024,
      "medianLifetimeYears": 8.3,
      "riskFactors": [
        { "factor": "sanctioned",       "hazardRatio": 3.41, "coefficient": 1.227 },
        { "factor": "hazardExposure",   "hazardRatio": 2.18, "coefficient": 0.780 },
        { "factor": "cyberExposure",    "hazardRatio": 1.64, "coefficient": 0.495 }
      ],
      "causeSpecificHazards": [
        { "cause": "financial",        "hazard": 0.018, "cumulativeIncidence": 0.098 },
        { "cause": "natural_disaster", "hazard": 0.009, "cumulativeIncidence": 0.049 }
      ]
    }
  ],
  "networkSize": { "nodes": 71, "edges": 132 }
}

optimize_logistics_transport

{
  "totalCost": 2847300,
  "totalTimeDays": 18.4,
  "wasserstein2Distance": 0.3812,
  "sinkhornIterations": 47,
  "sinkhornConvergence": 0.0000083,
  "dualVariables": [
    { "constraint": "Shanghai-Port",   "shadowPrice": 142.50 },
    { "constraint": "Rotterdam-Hub",   "shadowPrice": 98.20 },
    { "constraint": "Chicago-DC",      "shadowPrice": 67.80 }
  ],
  "optimalRoutes": [
    {
      "from": "Shenzhen Manufacturing Zone",
      "to": "Los Angeles Distribution Center",
      "mode": "sea",
      "cost": 1240000,
      "timeDays": 21,
      "capacity": 5000,
      "utilization": 0.87,
      "sinkhornWeight": 0.412
    }
  ],
  "networkSize": { "nodes": 58, "edges": 103 }
}

❓ サプライチェーンのデジタルツインシミュレーションの実行費用はいくらですか？

この MCP はイベントごとの従量課金制で、ツールの呼び出しごとに料金が発生します。計算コストは料金に含まれています。各ツールの料金は、基盤となるアクター呼び出しの数とアルゴリズムの複雑さに応じて設定されています。

ツール	呼び出しごとの料金	一般的な月間予算（20 回の呼び出し）
simulate_disruption_cascade	$0.040	$0.80
optimize_logistics_transport	$0.040	$0.80
model_adversarial_interdiction	$0.045	$0.90
estimate_supplier_survival	$0.035	$0.70
reinforce_network_resilience	$0.040	$0.80
compute_input_output_impact	$0.035	$0.70
identify_causal_disruption_paths	$0.035	$0.70
forecast_multi_scale_demand	$0.030	$0.60

セッションごとに数十回のツール呼び出しを行う AI エージェントのワークフローでも、一般的なセッションの費用は $1.00 未満です。予期しない請求を防ぐため、Apify アカウント設定で実行ごとの最大支出額を設定できます。サーバーは実行前にこの上限を確認し、処理を続行せずに予算超過のメッセージを返します。

同等の分析機能を提供するエンタープライズ向けサプライチェーンリスクプラットフォーム（Resilinc、Riskmethods、Everstream）の年間料金は $50,000～$200,000 です。この MCP は、分析 1 回あたり数セントで、ライブデータに基づく定量シミュレーションを提供します。

Supply Chain Digital Twin MCP の仕組み

フェーズ 1：並列データの収集

各ツール呼び出しでは、Promise.all を介して 6〜17 件のアクター呼び出しをディスパッチし、すべて 180 秒のタイムアウトで並列実行します。企業データは OpenCorporates、UK Companies House、GLEIF LEI から取得します。貿易フローデータは UN COMTRADE と World Bank から取得します。制裁対象のスクリーニングでは OFAC と OpenSanctions に問い合わせます。自然災害データは USGS Earthquake、NOAA、GDACS、FEMA から取得します。位置情報の解決には Nominatim を使用します。サイバーリスクへの露出には Censys を使用します。環境リスクには OpenAQ を使用します。運用状況の監視には Website Monitor を使用します。政府契約への依存度には SAM.gov を使用します。タイムアウトしたアクター、またはエラーを返したアクターは空の配列として扱い、アルゴリズムは利用可能なデータで処理を続行します。

フェーズ 2：ネットワークグラフの構築

buildSupplyChainNetwork は、すべてのアクターの結果を SupplyChainNetwork オブジェクトにまとめます。企業エンティティには、企業データ配列内での位置に基づいてティア 1、2、3 が割り当てられます。ハザードノードはハバーサイン距離を使用してサプライヤーノードとリンクされます。500 km 以内のノードの露出度は 1 - dist/500 となり、それ以外の場合は確率的に割り当てられます（発生確率 15％、重み 0.3）。大気質リスクは国コードで対応付けられます。サイバーリスクへの露出は名前のプレフィックスで照合されます。ティア間の供給エッジには、ノードペアの文字列ハッシュから決定論的にシードされたランダムな IO 係数（0.05～0.40）が割り当てられます。レオンチェフ技術係数行列 A は、これらの IO 係数から構築された後、スペクトル半径が 1 未満になるよう行正規化されます（ネイマン級数の収束条件）。

フェーズ 3：アルゴリズムの実行

8 つの各アルゴリズムは、構築された SupplyChainNetwork に対して動作します。

• パーコレーションでは、ノードインデックスに基づいてノードを 2 つのネットワークに分割し、依存関係マップを構築した後、両方のレイヤーで巨大連結成分に含まれないノードを繰り返し除去します。交差エントロピーによる重要度サンプリングでは、ceProposalDistortion によってエッジの保持確率を変化させ、まれなカスケード事象にシミュレーションの確率質量を集中させます。
• 最適輸送では、サプライヤーノードと流通業者ノード間のハバーサイン距離からコスト行列を構築し、収束するまでシンクホーン反復を実行します（許容誤差 1e-7、最大 1000 回）。
• 阻止では、供給エッジを潜在的な攻撃対象として列挙し、それぞれを criticality * weight でスコアリングした後、貪欲なベンダース分解カットによって二段階の割り当てを解きます。ゲームの値は、ナッシュ均衡における期待フロー減少量です。
• 生存時間分析では、ノード属性（制裁対象であるかどうか、ハザードへの露出、サイバーリスクへの露出、大気質リスク、契約への依存度）から原因別 Cox ハザード率を計算し、その後、累積発生関数を数値積分します。
• 代数的連結性では、グラフラプラシアン L = D - A を構築し、定数固有ベクトルを除去する 50 回のべき乗法反復を実行して、lambda_2 とフィードラー・ベクトルを推定します。
• 入出力分析では、15 項で打ち切ったネイマン級数としてレオンチェフ逆行列を計算し、30 ステップのべき乗法反復でスペクトル半径を確認した後、前方連関と後方連関が平均を上回る部門をキーストーン部門として特定します。
• 因果経路では、地理的なしきい値（500 km 間隔）および時間的なしきい値に対してファジー RDD を適用し、不連続点の両側で IK 最適帯域幅と局所線形回帰の推定値を計算します。
• 需要予測では、50 個の粒子を使用して粒子フィルターを実行します。各粒子の線形状態成分にはカルマンフィルターを適用し、ESS < 25 の場合は系統的リサンプリングを行います。その後、後向きにベルマン再帰を適用して最適なベースストック水準を求めます。

フェーズ 4：構造化 JSON 出力

すべての結果は JSON にシリアライズされ、MCP ツール呼び出しのコンテンツとして返されます。エージェントのコンテキストで読みやすさを保つため、浮動小数点値は小数点以下 2〜4 桁に丸められます。大きな行列（レオンチェフ逆行列）は、表示用に 6×6 に切り詰められます。

最良の結果を得るためのヒント

1. クエリは具体的に指定してください。「自動車エレクトロニクスの半導体サプライチェーン、台湾と日本のサプライヤー」は、「エレクトロニクスのサプライチェーン」よりも豊かなネットワークを生成します。具体性を高めることで、関連性の高いアクターが見つかり、より正確なネットワークエッジが得られます。

2. 未知のリスクを探るには、simulate_disruption_cascade を使用してください。 どのアルゴリズムから始めるべきかわからない場合、カスケードシミュレーションが最も広範な診断手段です。重要なサプライヤー、パーコレーション閾値、ネットワークが一次相転移に近い状態にあるかどうかを明らかにし、次に実行する他のツールを選ぶための情報を得られます。

3. カスケードシミュレーションの後に reinforce_network_resilience を実行してください。 カスケードの出力から重要なサプライヤーがわかったら、レジリエンス強化を使用して、最も低いコストで代数的連結度を最大限に高める新たなサプライヤー間の関係（エッジの追加）を特定します。

4. estimate_supplier_survival と model_adversarial_interdiction を組み合わせてください。 生存分析では、自然に事業停止する可能性が最も高いサプライヤーを特定します。妨害工作のモデル化では、意図的に標的にされる可能性が最も高いサプライヤーを特定します。これらを組み合わせることで、脆弱性を包括的に把握できます。

5. 取締役会向けの報告には compute_input_output_impact を使用してください。 レオンチェフ乗数を使うと、技術的なサプライチェーンリスクを財務的な言葉に置き換えられます。つまり、混乱の単位あたりの総生産変化を示せます。要となる産業の特定結果は、専門知識のない関係者にもそのまま提示できます。

6. セッションごとに支出上限を設定してください。 エージェントの探索的なワークフローでは、Apify アカウントで実行ごとの予算を設定します。サーバーは各ツール呼び出しの前に上限を確認し、課金を続けるのではなく、安全に処理を停止します。

7. forecast_multi_scale_demand を在庫の意思決定と組み合わせてください。 最適なベースストックの出力は、ERP または計画システムですぐに利用できます。Apify データセット API を使って forecasts 配列を CSV としてエクスポートし、Excel または Google Sheets にインポートしてください。

他の Apify アクターとの組み合わせ

アクター	組み合わせ方
Company Deep Research	simulate_disruption_cascade で特定した重要なサプライヤーについて詳細調査を実施し、調達部門の責任者にエスカレーションする前に、財務、法務、業務の全般的なプロファイルを取得します
Website Contact Scraper	estimate_supplier_survival で高リスクと判定されたサプライヤーのウェブサイトから連絡先情報を抽出し、サプライヤーの多様化に向けた先行的な働きかけを開始します
Trustpilot Review Analyzer	サプライヤーの品質コンプライアンスリスクスコアを顧客レビューや苦情の傾向と照合し、複数の情報源に基づいてサプライヤーの健全性を評価します
B2B Lead Qualifier	取引データから特定した代替候補のサプライヤーを評価し、RFQ の候補リストに追加する前にスコアを付けます
Website Tech Stack Detector	Censys のサイバー露出データにサプライヤーのウェブサイトの技術スタック分析を加え、より正確な cyberExposure スコアを作成します
WHOIS Domain Lookup	妨害工作モデルで高リスクと判定されたサプライヤーについて、ドメイン登録の真正性を確認します
Website Change Monitor	サプライヤーのウェブサイトを監視して変更（オフィスの閉鎖、製品の販売終了に関する通知、組織再編の発表など）を検出します。こうした変更は、生存モデルが予測する事業停止イベントに先行する可能性があります

制限事項

• 独自のERPデータや在庫データはありません — ネットワークグラフはすべて公開情報をもとに構築されます。社内のBOMデータ、実際の在庫水準、独自のリードタイムは組み込まれていません。エンタープライズでの利用では、Apify APIを介して非公開データを入力し、スコアリングアルゴリズムを調整できます。
• Leontiefモデルは線形の生産技術を前提とします — 固定された技術係数では、代替効果、規模の経済、非線形の生産関数を捉えられません。根本的な構造変化を引き起こす混乱は、過小評価されます。
• Cox比例ハザードモデルはハザード比が時間に依存しないことを前提とします — リスク要因と故障確率の関係が時間とともに変化する場合（例：地政学的な緊張の高まりによる制裁リスクの増加）、競合リスクモデルではこれを捉えられません。
• 交差エントロピー重要度サンプリングには、妥当な提案分布が必要です — 非常に小さなネットワーク（サプライヤーノードが10未満）の場合、CE提案分布の構造が不十分で、単純なモンテカルロ法より精度が向上しない可能性があります。
• Benders分解は、あらゆるゲーム構造で収束するとは限りません — 非常に大規模な阻止ゲームや退化した阻止ゲームでは、Bendersギャップが大きくなり、報告されるゲーム値が近似値であることを示す場合があります。
• Haversineに基づくハザードマッピングには、ジオコーディングされたノードが必要です — サプライヤーの座標を利用できない場合（lat/lon = 0）、システムは確率的なハザード割り当てに切り替えますが、精度は低くなります。
• アクターのデータの鮮度は上流の情報源に依存します — 政府データベース（SAM.gov、OFAC、USGS）の更新スケジュールはそれぞれ異なります。モデルに反映されるのは呼び出し時点で利用可能なデータであり、リアルタイムのストリーミングデータではありません。
• ネットワークの構築では、Leontief行列のセクター数が20に制限され、Haversineによるエッジの作成はスライディングウィンドウ6内のサプライヤーペアに限定されます。大規模なクエリでは、対象を絞った小規模なクエリよりも疎なネットワークになる場合があります。

インテグレーション

• Claude Desktop — claude_desktop_config.jsonを介して接続します。Claudeに「自動車用半導体サプライチェーンの混乱カスケードシミュレーションを実行して」と依頼できます。
• Cursor — MCP設定に追加し、エージェントモードでコード周辺のサプライチェーン分析に利用できます。
• Apify API — standbyエンドポイントを介して、Python、JavaScript、または任意のHTTPクライアントからプログラムでツール呼び出しを実行できます。
• LangChain / LlamaIndex — LangChainエージェントのパイプラインでツールとして利用し、サプライチェーン監視のワークフローを自動化できます。
• Webhooks — 実行が完了したとき、またはカスケードシミュレーションがリスクのしきい値を超えたときに、後続のアクション（Slack通知、CRMの更新）を実行できます。
• Make — ノーコードでサプライチェーンリスクのワークフローを構築できます。スケジュールに基づいて実行を開始し、シミュレーションを実行して、結果をGoogle SheetsやHubSpotに送信できます。
• Zapier — サプライチェーンシミュレーションの結果をメール、Slack、Airtable、またはZapierがサポートする任意の送信先に接続できます。

トラブルシューティング

ツールの出力に Spending limit reached が表示される — Apify アカウントに設定されている実行ごとの予算を使い切っています。アクターの実行設定で最大支出額を引き上げるか、より高い上限を設定してツールを個別に実行してください。

ネットワークに含まれるノードが非常に少ない（10 未満） — クエリが一般的すぎるか、対象が狭すぎるため、基盤となるアクターが十分な企業記録や貿易記録を取得できていない可能性があります。「電子機器のサプライヤー」ではなく、「民生用電子機器向けの台湾と韓国の半導体サプライヤー」のように、地域や業界の情報を加えてみてください。

Sinkhorn アルゴリズムが収束しない（sinkhornConvergence の値が高い） — これは、供給と需要の分布が大きく偏っている場合に発生します。ツールは 1,000 回の反復後、利用可能な最良の近似値を使って結果を返します。地理的な範囲がより均衡するよう、物流に関するクエリを絞り込んでみてください。

カスケードシミュレーションで、すべての実行に firstOrderTransition: false が返される — ネットワークが疎すぎるか、クエリから十分なハザードデータや制裁データが取得できず、相互依存するネットワークレイヤーを生成できていない可能性があります。クエリに地域情報を明示的に追加すると、ハザードデータの網羅性が向上します。

ログにアクターのタイムアウトエラーが表示される — 個々の基盤アクターのタイムアウトは 180 秒です。政府機関の API（SAM.gov、GLEIF）からの応答が遅い場合、タイムアウトが発生することがあります。サーバーは正常に縮退動作し、タイムアウトしたアクターは空の配列を返して、アルゴリズムは利用可能なデータで実行されます。

同じクエリでも、実行する時刻によって結果にわずかな違いが生じる — ネットワークグラフでは、すべての確率的コンポーネントに決定論的なシードを使用していますが、17 個の上流アクターから取得する実際のライブデータは時間とともに変化します。結果の違いは、アルゴリズムのランダム性ではなく、基盤データの実際の変化（新たな法人登録、制裁情報の更新、新たなハザードイベントなど）を反映しています。

責任ある使用

• この MCP がアクセスする 17 個のデータソースはすべて、一般公開されている政府データベース、国際貿易データセット、オープンな企業登録情報です。
• 制裁データおよびウォッチリストデータ（OFAC、OpenSanctions）は、正当なコンプライアンスおよびデューデリジェンスの目的に限って使用してください。
• このツールから得られるサプライチェーンインテリジェンスを、違法な差別、市場操作、個人や企業への標的型嫌がらせに利用してはなりません。
• 個人データまたは法人データを含む出力を保存または処理する場合は、GDPR、適用される貿易コンプライアンス法、およびデータ保護規制を遵守してください。
• ウェブスクレイピングおよびデータ利用の合法性に関するガイダンスは、Apify のガイドを参照してください。

❓ FAQ

サプライチェーンシミュレーションの各呼び出しでは、いくつのデータソースを利用しますか？ 最も包括的なツールである simulate_disruption_cascade は、17 個すべてのアクターを並列で呼び出します。内訳は、企業登録機関が 3 個、貿易・経済データソースが 3 個、制裁データベースが 2 個、自然災害データソースが 4 個、ジオコーダーが 1 個、FX データソースが 1 個、サイバーインテリジェンスソースが 1 個、環境データソースが 1 個、政府契約データソースが 1 個、ウェブサイトモニターが 1 個です。forecast_multi_scale_demand のような複雑さの低いツールは、7 個のアクターを呼び出します。

浸透閾値の推定値はどの程度正確ですか？ 閾値 p_c* は、ノードを除去したときに巨大連結成分が崩壊するノードの割合として推定されます。1,000 回のモンテカルロシミュレーション（デフォルト）と交差エントロピー重要度サンプリングにより、分散の低減率は単純なモンテカルロ法と比較して通常 10～20 倍です。simulations を 5,000 に増やすと、推定誤差をさらに低減できます。

このサプライチェーンのデジタルツイン MCP を独自の非公開データで使用できますか？ サーバーは公開データソースのみを使用します。ただし、基盤となるアルゴリズム（scoring.ts）は、非公開の Apify アクターをビルドすれば、カスタムネットワーク入力を使って実行できます。エンタープライズ向けのカスタム構成については、Issues タブからお問い合わせください。 サプライチェーンのデジタルツインシミュレーションは、従来のリスクスコアリングツールとどう違いますか？ 従来のツールは、国別指標や財務比率に基づいて静的なリスクスコアを割り当てます。この MCP では、動的なネットワークアルゴリズムを適用します。パーコレーション理論で連鎖的な動態を捉え、最適輸送でルーティングのトレードオフを捉え、スタッケルベルグゲームで敵対的な行動を捉えます。こうした分析は静的なスコアリングでは実現できません。出力されるのは単なる数値ではなく、構造的かつ因果的な分析結果です。

一般的なサプライチェーンシミュレーションの実行には、どのくらい時間がかかりますか？ データの入手状況やクエリの具体性によりますが、ほとんどのツールは30～120秒で完了します。simulate_disruption_cascade は、17件の並列アクター呼び出しと1,000回のモンテカルロシミュレーションで、通常60～90秒かかります。シミュレーション回数を5,000回に増やすと、さらに約15～30秒かかります。

このデータをサプライチェーンのデューデリジェンスに使用しても合法ですか？ はい。17のデータソースはすべて、政府が公開しているか、国際的な義務に基づくオープンデータセットです（UN COMTRADE、OFAC、GLEIF、USGS など）。デューデリジェンス、コンプライアンス審査、ビジネスインテリジェンスへの利用は、公開機関によって明示的に許可され、推奨されています。Apify のガイドをご覧ください。

サプライチェーンシミュレーションを定期的に実行するようスケジュールできますか？ はい。Apify の組み込みスケジューラーを使うと、任意のツール呼び出しを毎日、毎週、またはカスタムの cron 間隔で実行できます。ウェブフックと組み合わせれば、シミュレーションの完了時に結果を Slack、メール、またはダッシュボードに自動で送信できます。

サプライチェーンのレジリエンス測定に、フィードラー値はどのように使われますか？ Lambda_2（グラフラプラシアンの2番目に小さい固有値）は、ネットワークを非連結成分に分割する難しさを測定します。フィードラー値が高いほど冗長な接続が多く、ノードやエッジが削除されてもネットワークが緩やかに劣化します。reinforce_network_resilience ツールは、投資単位あたりの lambda_2 の増加を最大化するために追加すべき具体的なサプライヤー間の関係を特定します。

17の基盤アクターのいずれかがエラーを返した場合はどうなりますか？ 各アクター呼び出しは try-catch でラップされています。失敗した呼び出しは空の配列を返します。ネットワーク構築関数は空の配列を受け取り、そのデータ型をスキップします。データが減った状態でアルゴリズムは実行されます。結果には networkSize の出力にフラグが付けられるため、正常に組み立てられたノードとエッジの数を確認できます。

競合リスク生存モデルは、特定のサプライヤーにとって最も起こりやすい故障モードをどのように判断しますか？ ノード属性から、5つの原因別 Cox ハザード率を算出します。対象となる属性は、sanctioned の状態（規制／制裁リスク）、hazardExposure（自然災害リスク）、cyberExposure（サイバーリスク）、airQualityRisk（環境／コンプライアンスリスク）、およびネットワーク平均に対する revenue（財務リスク）です。各属性は固定のベータベクトルを介してハザード係数に対応付けられ、累積発生率を数値積分することで、全体の故障確率の合計となる原因別確率を算出します。

サプライチェーンシミュレーションの結果を、そのまま LLM に渡して文章によるレポートを作成できますか？ はい。どのツールの JSON 出力もコンパクトなため、LLM のコンテキストウィンドウにそのまま含められます。連鎖ステップ配列やレオンチェフ逆行列全体など、出力が長い場合は、networkSize とトップレベルの要約フィールドを LLM への入力に使用し、詳細全体は Apify データセット API から別途取得してください。Website Content to Markdownを使うと、構造化データを LLM が扱いやすい形式に変換できます。

改善にご協力ください

問題が発生した場合は、Apify アカウントで実行共有を有効にすると、より迅速なデバッグにご協力いただけます。

1. アカウント設定 > プライバシーに移動します
2. 実行を公開アクターの作成者と共有を有効にします

これにより、問題が発生した際に実行の詳細を確認できるようになり、より迅速に問題を修正できます。データを閲覧できるのはアクターの開発者のみで、一般公開されることはありません。

サポート

バグを見つけた場合や機能をリクエストする場合は、このアクターのページにある イシュータブ でイシューを作成してください。プライベートデータの取り込み、カスタムアルゴリズムの設定、ホワイトラベルでのデプロイなど、エンタープライズ向けのカスタム統合については、Apify プラットフォームからお問い合わせください。